CN111723793B - 一种实时刚性接触网定位点识别方法 - Google Patents

一种实时刚性接触网定位点识别方法 Download PDF

Info

Publication number
CN111723793B
CN111723793B CN202010592104.1A CN202010592104A CN111723793B CN 111723793 B CN111723793 B CN 111723793B CN 202010592104 A CN202010592104 A CN 202010592104A CN 111723793 B CN111723793 B CN 111723793B
Authority
CN
China
Prior art keywords
image
line
positioning
pixel
rigid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010592104.1A
Other languages
English (en)
Other versions
CN111723793A (zh
Inventor
占栋
高仕斌
于龙
张楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Chengdu Tangyuan Electric Co Ltd
Original Assignee
Southwest Jiaotong University
Chengdu Tangyuan Electric Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University, Chengdu Tangyuan Electric Co Ltd filed Critical Southwest Jiaotong University
Priority to CN202010592104.1A priority Critical patent/CN111723793B/zh
Publication of CN111723793A publication Critical patent/CN111723793A/zh
Application granted granted Critical
Publication of CN111723793B publication Critical patent/CN111723793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/22Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469Contour-based spatial representations, e.g. vector-coding
    • G06V10/473Contour-based spatial representations, e.g. vector-coding using gradient analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于本发明接触网智能检测技术领域,公开了一种实时刚性接触网定位点识别方法,包括图像预处理步骤、刚性接触线区域定位步骤和刚性定位点定位步骤,基于图像处理检测技术,实现对接触网定位点的非接触式检测,相比采用电子标签、雷达或GPS等定位点识别方案实施成本更低、检测效率更高、定位可靠性更好。

Description

一种实时刚性接触网定位点识别方法
技术领域
本发明接触网智能检测技术领域,尤其涉及一种实时刚性接触网定位点识别方法。
背景技术
在电气化铁路设计中,接触网主要由接触悬挂、定位装置、支持装置、支柱及相关基础设施等构成,是沿铁路线上空架设的一种特殊输电线路。它的功能是通过导线与受电弓之间的接触,从而为电力机车提供电能。而评价接触网受流性能主要参考两个状态参数:几何参数和动力学参数。几何参数包括导线高度、拉出值、定位管坡度、线岔、导线磨耗和支柱位置等,而对接触网进行几何参数评价则要求必须要能够对接触网定位点进行准确的定位检测。
定位点检测技术被应用于接触网,用以作为接触网缺陷检测系统中触发面阵相机进行图像采集拍摄的依据,同时也将其作为一杆一档数据存储以及管理的依据。定位点检测准确与否,将极大地影响面阵相机触发的准确度,进而影响后续的数据分析难度、增加数据分析的漏检率、工作量以及一杆一档数据存储的准确性。
在现有技术中,有一些基于雷达的检测技术的接触网识别检修技术方案,如公开号为CN205097980U,公开时间为2016年3月23日,名称为“一种基于激光雷达的接触网检测检修车”的中国实用新型专利文献,公开的技术方案中包括检测车体、数据采集单元、升降旋转作业平台和用于数据分析处理的服务器;数据采集单元设置在检测车体上,所述升降旋转作业平台可升降和旋转地设置在所述检测车体顶部的后方;所述升降旋转作业平台上设置有显示和操控面板;所述服务器分别与数据采集单元、显示和操控面板连接,数据采集单元所采集的数据经所述服务器分析处理后传输到所述显示和操控面板上。但是根据实际使用的经验而言,这种基于基于雷达的检测技术缺点为检测频率低下,不适合速度快的列车,在当前轨道交通大提速的要求下,缺陷比较明显。
而除了基于雷达的检测技术,当前还有一些其他的适用于接触网定位点检测的技术方案,比如基于电子标签的检测技术和基于GPS的检测技术,但是这些新技术同样也存在一些问题:基于电子标签的检测技术,虽然检测精度高,但是投资成本太大,需要在所有被检对象上添加对应的电子标签才能实现,这是物力和人力的超高投入才能实现的,特别是对于既有线路的改造;而基于GPS的检测技术,同样具有高建设和运维成本的问题,而且该技术在隧道和有遮挡及干扰的情况下信号差,很容易漏定位,精密度不足。
发明内容
为了克服上述现有技术中存在的问题和不足,本发明旨在于提供一种基于图像处理检测技术的非接触式的刚性接触线的定位点检测方法。
本发明的一种实时刚性接触网定位点识别方法,包括以下步骤:
图像预处理步骤,输入采集到的原始图像,对原始图像进行灰度增强处理提高原始图像的质量、增强对比度等;
刚性接触线区域定位步骤,将经过图像预处理步骤灰度增强处理的图像,依次通过水平梯度计算、线条提取、线条聚类形成候选区域,并对候选区域进行区域筛选定位出图像中的刚性接触线区域;
刚性定位点定位步骤,包括绝缘子样本图像特征提取和定位扫描;首先,所述绝缘子样本图像特征提取包括从包含各类绝缘子的现有的图像数据中找出各类绝缘子的图像并进行绝缘子区域小图截图,将截取后的小图归一化到同一尺寸作为绝缘子样本图像,需要说明的是,这里的小图是指相对之前的图像的尺寸更小;然后将所述绝缘子样本图像在设定尺寸的窗口内进行像素识别和标记得到每张绝缘子样本图像的特征,具体的,这里采用预设的尺寸为N*N(N为奇数)窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个非中心像素与中心像素灰度值做差的正负标记值记为第一特征;采用所述预设的N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个像素灰度值与预设灰度值做差的正负标记值,并统计标记值的水平和垂直方向统计数记为第二特征;串联所述第一特征和第二特征得到所述绝缘子样本图像特征;所述定位扫描包括采用滑动窗口遍历所述接触线区域定位步骤中得到的刚性接触线区域,将所述滑动窗口内包含的第一特征和第二特征串联而成的图像特征记为滑动窗口图像特征,计算所述滑动窗口图像特征与所述绝缘子样本图像特征的相似度,将满足相似度阈值的滑动窗口图像判定为刚性定位点,输出所述刚性定位点区域。
进一步地,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行镜像边界扩充,以达到避免漏定位的效果。具体的实施方式中,兼顾定位效率可只进行左右镜像边界的扩充。
再者,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行插值处理,使所述滑动窗口内图像与所述绝缘子样本图像尺寸一致。
优选地,所述图像预处理步骤,是以数值梯度函数gradient(x,y)为梯度计算原始图像G(x,y)中的每个像素点的梯度数值,并将结果与原始图像G(x,y)进行叠加得到增强后图像G’(x,y),即G’(x,y)=G(x,y)+gradient(x,y),如果图像中相邻像素值有变化,即有梯度,将梯度与对应的原始像素相加,灰度值变大;反之,梯度为0,则原始像素无变化,也就是说,相加后的新图像,对比度明显增强,尤其是图像中物体的轮廓和边缘,与背景的区别明显增加。
所述刚性接触线区域定位步骤中,所述梯度计算是为了求取图像在一个方向的梯度图并去除与其他方向的物体干扰以减少后续程序处理时间,所述梯度计算其具体方法为:设经过图像预处理步骤增强处理的图像沿Y方向展布,从图像上看,接触线区域与x轴的角度约为90度,对经过图像预处理步骤增强处理的图像进行x方向的梯度计算,从而滤除图像中其他方向的梯度信息,其中图像中每个像素点(x,y)x方向的梯度为
Gx(x,y)=H(x+1,y)-H(x-1,y)
其中H(x+1,y)、H(x-1,y)为像素点两侧像素点的灰度值。
所述刚性接触线区域定位步骤中,线条提取是设置一固定灰度阈值,按行依次遍历经过所述梯度计算后的图像中的每个像素点,当某一像素点的灰度值大于阈值时,将其标记为1;对每一行中连续标记为1的区域计算区域的中点,该中点作为该区域的一个线条候选点;然后输出线条时,将相邻两行上、在x方向上距离3个像素以内的候选点进行连接视为同一线条输出,否则视为不同线条输出。
所述刚性接触线区域定位步骤中,线条聚类首先是依次遍历所述线条提取得到的每根线条,计算每根线条中所有像素点在x方向的平均值x_mean,依据x_mean对所有线条从小到大进行排序,即在x方向从左到右进行排序;
然后对排完序的线条进行聚类,将第一根线条归为第一类,第一根线条即排序完成后的第一根,然后从左到右从第二根线条起始依次遍历每根线条,利用平均值x_mean计算其与之前所有类中的首根线条以及最后一根线条在x方向的距离,如果距离满足阈值条件,则将其归为同一类,若与之前的所有类都不满足距离的阈值条件,则将其单独归为一类;最终,每一类为一个接触线候选区域。
所述刚性接触线区域定位步骤中,区域筛选是计算线条聚类后得到的所有候选区域的区域宽度,已知候选区域内所有线条的中所有像素点在x方向的平均值x_mean,计算首根线条和最后一根线条的x_mean之差(就是每一根线条的横坐标做差;最左、最右的差就是宽度),即为区域宽度,根据区域宽度即可筛选出最终的接触线区域,如根据区域宽度是否符合刚性接触线区域宽度阈值区间筛选出刚性接触线区域。
所述刚性定位点定位步骤中,绝缘子图像特征计算具体的包括:
在n*n的窗口内,以窗口为中心遍历窗口中图像的所有像素点,将所有像素点与窗口中心的像素点像素相减,若结果为正,则该像素标记为1,否则标记为0,由此可得到该窗口的一连串标记值,记为特征Ⅰ;
在n*n的窗口内,将图像中灰度值大于设定阈值的像素点设置为1,反之,设置为0,然后进行水平和垂直方向的像素统计,记为特征Ⅱ;
采用n*n窗口遍历绝缘子样本图像,将特征Ⅰ和特征Ⅱ进行串联得到整张图的特征。
有益效果:
1、本发明技术方案的实时刚性接触网定位点识别算法基于图像处理检测技术,实现对接触网定位点的非接触式检测,相比采用电子标签、雷达或GPS等定位点识别方案实施成本更低、检测效率更高、定位可靠性更好。
2、本发明技术方案对原始图像进行灰度增强预处理,提高图像质量,增强图像对比度;同时在接触线区域定位过程中求取图像水平方向梯度图,去除其他方向的物体干扰,减少后续程序处理的时间。由于采用上述基于梯度的图像处理方案,与现有技术相比,本发明的实时刚性接触网定位点识别算法对光源不敏感,该方法可适用于对不同光照情况下的图像进行刚性定位点识别,白天、晚上均可使用。
3、本发明技术方案通过线条提取、线条聚类的方式形成接触线候选区域,并根据刚性接触线的宽度区间从接触线候选区域中筛选出刚性接触线区域,该方式实现了简便、快捷地提取刚性接触线区域,提高了刚性定位点识别的实时性。
4、本发明技术方案采用绝缘子特征识别的方式实现刚性定位点定位,对刚性接触线区域图像进行分块分析处理,通过提取滑动窗口图像的径向和纵横向灰度分布特征,识别得到刚性定位点区域,定位实时性强、准确度高。
5、本发明技术方案采用的算法参数修改方便,代码写好以后,无需专业人员,其他非专业人员可进行相关参数的修改。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚,附图中:
图1为本发明的逻辑关系示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案,需要说明的是,本发明要求保护的技术方案包括但不限于以下实施例。
实施例1
作为本发明一种基本实施方案,如图1,提供了一种实时刚性接触网定位点识别方法,包括图像预处理步骤、接触线区域定位步骤和刚性定位点定位步骤。
具体的,所述图像预处理步骤,输入采集到的原始图像,对原始图像进行灰度增强处理提高原始图像的质量、增强对比度等;
所述接触线区域定位步骤,是将经过图像预处理步骤灰度增强处理的图像,依次通过水平梯度计算、线条提取、线条聚类形成候选区域,并对候选区域进行区域筛选定位出图像中的刚性接触线区域;
而所述刚性定位点定位步骤,则包括绝缘子样本图像特征提取和定位扫描;
其中,所述绝缘子样本图像特征提取包括从包含各类绝缘子的现有的图像数据中找出各类绝缘子的图像并进行绝缘子区域小图截图,将截取后的小图归一化到同一尺寸作为绝缘子样本图像,需要说明的是,这里的小图是指相对之前的图像的尺寸更小;具体的,这里采用预设的尺寸为N*N(N为奇数)窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个非中心像素与中心像素灰度值做差的正负标记值记为第一特征;采用所述预设的N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个像素灰度值与预设灰度值做差的正负标记值,并统计标记值的水平和垂直方向统计数记为第二特征;串联所述第一特征和第二特征得到所述绝缘子样本图像特征;
而所述定位扫描包括采用滑动窗口遍历所述刚性接触线区域,将所述滑动窗口内包含的第一特征和/或第二特征串联而成的图像特征记为滑动窗口图像特征,计算所述滑动窗口图像特征与所述绝缘子样本图像特征的相似度,将满足相似度阈值的滑动窗口图像判定为刚性定位点,输出所述刚性定位点区域。
进一步地,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行镜像边界扩充,达到避免漏定位的效果,为了兼顾定位效率可只进行左右镜像边界的扩充。
再者,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行插值处理,使所述滑动窗口内图像与所述绝缘子样本图像尺寸一致。
实施例2
作为本发明一种优选地实施方案示例,在上述实施例1技术方案的基础上,进一步的,所述图像预处理步骤是为了进行图像增强,为提高图像质量,增强图像对比度,需对输入的原始图像进行增强处理。
具体增强方式:设G’(x,y)为增强后图像,G(x,y)为原始输入图像,gradient(x,y)为梯度计算图像,则G’(x,y)=G(x,y)+gradient(x,y),即,如果相邻像素值有变化,即有梯度,将梯度与对应的原始像素相加,灰度值变大了,反之,梯度为0,则原始像素无变化。
也就是说,相加后的新图像,对比度明显增强,尤其是图像中物体的轮廓和边缘,与背景的区别明显增加。
而所述刚性接触线区域定位步骤,是为节省算法处理时间、提高效率对图像进行接触线区域定位,而刚性定位点是连接着支撑杆且位于接触线上的绝缘子。
所述刚性接触线区域定位步骤包含梯度计算、线条提取、线条聚类、区域筛选几个具体步骤。
所述梯度计算:求取图像在x方向的梯度图,去除与其他方向的物体干扰,减少后续程序处理时间。
图像中的像素点(x,y)在x方向的梯度为:
Gx(x,y)=H(x+1,y)-H(x-1,y) (1)
输入预处理后图像,为克服光照影响,首先对图像进行x方向的梯度计算。从图像上看,接触线区域与x轴的角度约为90度,所以我们进行x方向的梯度计算,具体如公式(1)所示,从而滤除图像中其他方向的梯度信息。
所述线条提取:设置一固定灰度阈值,按行依次遍历图像每个像素,当某一像素灰度值大于阈值时,将其标记为1;将每行中连续为1的区域,计算区域中点,该点作为该区域的一个线条候选点输出;线条连接:针对相邻两行的数据点,将在x方向差在3个像素以内的两个数据点进行连接,视为同一线条输出,否则视为不同线条输出。
所述线条聚类:首先对提取出的线条在x方向从左到右进行排序。排序方式:依次遍历每根线条,计算每根线条中所有坐标点在x方向的平均值x_mean,依据x_mean对所有线条从小到大进行排序,然后对排完序的线条进行聚类。
聚类是将第一根线条归为第一类,从左到右,从第二根线条起始,依次遍历每根线条。利用x_mean计算其与之前所有类的首根线条和最后一根线条在x方向的距离,如果和某一类的首根线条和最后一根线条在x方向的距离满足均一定条件,则将其归为某一类。如果和之前的所有类都不满足条件,则将其单独归为一类,最终,每一类为一个接触线候选区域。
所述区域筛选:计算所有候选区域的区域宽度。具体的计算方式,已知候选区域内所有线条的x_mean,计算首根线条和最后一根线条的x_mean之差,即为区域宽度,根据区域宽度即可筛选出最终的接触线区域。
所述刚性定位点定位步骤,包含绝缘子样本收集制作,特征提取,定位扫描几个步骤。
具体的,所述绝缘子样本收集制作是从已有大量图像数据中,找出各类不同绝缘子图像,并进行绝缘子区域小图截图,最后将截取后的小图归一化到同一尺寸。
所述绝缘子图像特征计算,对输入图像,在5*5的窗口内,以窗口为中心,遍历窗口中所有像素,将某一像素与窗口中心像素相减,若结果为正,则该像素标记为1,否则标记为0,由此可得到该窗口的一连串标记值,此为特征1计算方式;另外,在5*5的窗口内,将灰度值大于某一阈值的像素设置为1,反之,设置为0,最后进行水平和垂直方向的像素统计,此为特征2计算方式;采用5*5窗口遍历绝缘子样本图像,将特征1和特征2串联,得到整张图的特征。
所述定位扫描,因输入图像相对绝缘子图像较大,针对全图进行特征计算并进行特征匹配不具有现实意义,因此,需对输入图像进行分块分析处理。设置滑动窗口win(win大小为h*w),滑动步长为h1(h1=h/2),同时为避免漏定位,需对图像边界进行镜像扩充。
从左到右、从上到下依次扫描、遍历图像,计算每个滑动窗口小图的图像特征,这里特征计算方式和绝缘子图像特征计算方式相同,将滑动窗口图像特征与绝缘子图像特征进行相似度计算,如果相似度符合一定阈值,则判定该区域含定位点,输出该定位点区域。
本领域内的技术人员应当知晓,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种实时刚性接触网定位点识别方法,其特征在于,包括以下步骤:
图像预处理步骤,获取原始图像,对原始图像进行灰度增强处理;
刚性接触线区域定位步骤,将经过图像预处理步骤灰度增强处理的图像,依次通过水平梯度计算、线条提取和线条聚类形成候选区域,并对候选区域进行区域筛选处理定位出图像中的刚性接触线区域;
刚性定位点定位步骤,包括绝缘子样本图像特征提取和定位扫描;所述绝缘子样本图像特征提取包括对包含各类绝缘子的若干已有图像进行绝缘子区域小图截图,将截取后的小图归一化到同一尺寸作为绝缘子样本图像;采用预设的尺寸为N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个非中心像素与中心像素灰度值做差的正负标记值记为第一特征,其中N为奇数;采用所述预设的N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个像素灰度值与预设灰度值做差的正负标记值,并统计标记值的水平和垂直方向统计数记为第二特征;串联所述第一特征和第二特征得到所述绝缘子样本图像特征;所述定位扫描包括采用滑动窗口遍历所述刚性接触线区域,将所述滑动窗口内包含的第一特征和第二特征串联而成的图像特征记为滑动窗口图像特征,计算所述滑动窗口图像特征与所述绝缘子样本图像特征的相似度,将满足相似度阈值的滑动窗口图像判定为刚性定位点,输出所述刚性定位点区域。
2.如权利要求1所述的一种实时刚性接触网定位点识别方法,其特征在于:所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行镜像边界扩充。
3.如权利要求1所述的一种实时刚性接触网定位点识别方法,其特征在于:所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行插值处理,使所述滑动窗口内图像与所述绝缘子样本图像尺寸一致。
4.如权利要求1所述的一种实时刚性接触网定位点识别方法,其特征在于:所述图像预处理步骤,是以数值梯度函数gradient(x,y)为梯度计算原始图像G(x,y)中的每个像素点并将结果与原始图像G(x,y)进行叠加得到增强后图像G’(x,y),即G’(x,y)=G(x,y)+gradient(x,y),如果图像中相邻像素值有变化,即有梯度,将梯度与对应的原始像素相加,灰度值变大;反之,梯度为0,则原始像素无变化。
5.如权利要求1所述的一种实时刚性接触网定位点识别方法,其特征在于:所述刚性接触线区域定位步骤中,水平梯度计算是设经过图像预处理步骤增强处理的图像沿Y方向展布,对经过图像预处理步骤增强处理的图像进行x方向的梯度计算,其中图像中每个像素点(x,y)x方向的梯度为
Gx(x,y)=H(x+1,y)-H(x-1,y)
其中H(x+1,y)、H(x-1,y)为像素点两侧像素点的灰度值。
6.如权利要求1或3所述的一种实时刚性接触网定位点识别方法,其特征在于:所述刚性接触线区域定位步骤中,线条提取是设置一固定灰度阈值,按行依次遍历经过所述梯度计算后的图像中的每个像素点,当某一像素点的灰度值大于阈值时,将其标记为1;对每一行中连续标记为1的区域计算区域的中点,该中点作为该区域的一个线条候选点;然后输出线条时,将相邻两行上、在x方向上距离3个像素以内的候选点进行连接视为同一线条输出,否则视为不同线条输出。
7.如权利要求1或3所述的一种实时刚性接触网定位点识别方法,其特征在于:所述刚性接触线区域定位步骤中,线条聚类首先是依次遍历所述线条提取得到的每根线条,计算每根线条中所有像素点在x方向的平均值x_mean,依据x_mean对所有线条从小到大进行排序;
然后对排完序的线条进行聚类,将第一根线条归为第一类,然后从左到右从第二根线条起始依次遍历每根线条,利用平均值x_mean计算其与之前所有类中的首根线条以及最后一根线条在x方向的距离,如果距离满足阈值条件,则将其归为同一类,若与之前的所有类都不满足距离的阈值条件,则将其单独归为一类;最终,每一类为一个接触线候选区域;
所述接触线区域定位步骤中,区域筛选是计算线条聚类后得到的所有候选区域的区域宽度,根据所述线条聚类得到的所有像素点在x方向的平均值x_mean,计算首根线条和最后一根线条的x_mean之差,即为区域宽度,根据区域宽度是否满足刚性接触线宽度区间筛选出刚性接触线区域。
8.如权利要求1所述的一种实时刚性接触网定位点识别方法,其特征在于:所述刚性定位点定位步骤中,绝缘子图像特征计算具体包括:
在N*N的窗口内,其中 N 为奇数 ,以窗口为中心遍历窗口中图像的所有像素点,将所有像素点与窗口中心的像素点像素相减,若结果为正,则该像素标记为1,否则标记为0,由此可得到该窗口的一连串标记值,记为特征Ⅰ;
在N*N的窗口内,将图像中灰度值大于设定阈值的像素点设置为1,反之,设置为0,然后进行水平和垂直方向的像素统计,记为特征Ⅱ;
采用N*N窗口遍历绝缘子样本图像,将特征Ⅰ和特征Ⅱ进行串联得到整张图的特征。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时,实现上述权利要求1-8任一项所述的实时刚性接触网定位点识别方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-8任一项所述的实时刚性接触网定位点识别方法的步骤。
CN202010592104.1A 2020-06-24 2020-06-24 一种实时刚性接触网定位点识别方法 Active CN111723793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010592104.1A CN111723793B (zh) 2020-06-24 2020-06-24 一种实时刚性接触网定位点识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010592104.1A CN111723793B (zh) 2020-06-24 2020-06-24 一种实时刚性接触网定位点识别方法

Publications (2)

Publication Number Publication Date
CN111723793A CN111723793A (zh) 2020-09-29
CN111723793B true CN111723793B (zh) 2022-06-28

Family

ID=72570059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010592104.1A Active CN111723793B (zh) 2020-06-24 2020-06-24 一种实时刚性接触网定位点识别方法

Country Status (1)

Country Link
CN (1) CN111723793B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528386B (zh) * 2020-12-31 2022-05-06 中铁建电气化局集团第三工程有限公司 地铁隧内接触网悬挂点位置无轨化精测方法
CN117471261B (zh) * 2023-12-28 2024-03-29 四川拓及轨道交通设备股份有限公司 一种基于空载电压的车载式柔性接触网定位装置检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104764748A (zh) * 2015-05-04 2015-07-08 成都唐源电气有限责任公司 定位绝缘子的方法、系统以及故障检测的方法和系统
CN105354589A (zh) * 2015-10-08 2016-02-24 成都唐源电气有限责任公司 一种在接触网图像中智能识别绝缘子裂损的方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100212719A1 (en) * 2007-06-25 2010-08-26 Hans-Henrik Kofoed Stolum System and methods of utilizing solar energy
CN113365955B (zh) * 2018-11-30 2023-10-03 康宁股份有限公司 用于加热和冷却玻璃管的设备和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104764748A (zh) * 2015-05-04 2015-07-08 成都唐源电气有限责任公司 定位绝缘子的方法、系统以及故障检测的方法和系统
CN105354589A (zh) * 2015-10-08 2016-02-24 成都唐源电气有限责任公司 一种在接触网图像中智能识别绝缘子裂损的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Detection and monitoring system of the pantograph-catenary in high-speed railway (6C);S.B. Gao 等;《《2017 7th International Conference on Power Electronics Systems and Applications - Smart Mobility, Power Transfer & Security (PESA)》》;20180201;1-7页 *
线结构光视觉测量关键技术及在轨道交通巡检中应用;占栋;《《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》》;20170415;C033-19 *

Also Published As

Publication number Publication date
CN111723793A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Liu et al. A review of applications of visual inspection technology based on image processing in the railway industry
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN104021574B (zh) 路面病害自动识别方法
CN111855664A (zh) 一种可调节隧道病害三维检测系统
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN111723793B (zh) 一种实时刚性接触网定位点识别方法
CN104299260A (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
CN105203552A (zh) 一种360°踏面图像检测系统及其检测方法
CN109785301B (zh) 一种基于图像处理的钢轨波磨周期评估方法
CN112414309A (zh) 基于机载激光雷达的高铁接触线导高及拉出值巡检方法
JP2022549541A (ja) 欠陥検出方法、装置、電子機器及びコンピュータ記憶媒体
CN104992429A (zh) 一种基于图像局部增强的山体裂缝检测方法
CN112731440A (zh) 高速铁路边坡形变检测方法及装置
Azad et al. New method for optimization of license plate recognition system with use of edge detection and connected component
CN113947731A (zh) 一种基于接触网安全巡检的异物识别方法及系统
CN109360188A (zh) 一种高铁接触网等电位线不良状态的检测方法
CN110910443A (zh) 基于单监控相机的接触网几何参数实时测量方法及装置
CN111242052B (zh) 一种接触网刚柔导线自动判别方法及装置
Zheng et al. Rail detection based on LSD and the least square curve fitting
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN111723792B (zh) 适用于刚柔接触网的实时定位点识别方法
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN113378659A (zh) 一种占道经营识别方法
CN116681912A (zh) 铁路道岔的轨距检测方法及装置
Gao et al. Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant